引入

一張圖像顯示在顯示屏上的時候，它斑斕多彩，輪廓分明（可你放的明明是張灰度圖！），而當它被轉(zhuǎn)化到數(shù)字設(shè)備當中的時候，我們看到的就將會是下面的情形：

是的，所有的色彩最后都會被變?yōu)橐粋€個數(shù)字，在0到255之間來回徘徊，在一個個矩陣中被圍困（突然詩意起來）。可以這樣說，矩陣就是圖像在數(shù)碼設(shè)備中的表現(xiàn)形式。而正是因為他們由這些數(shù)字組成，才給了我們機會去用數(shù)字的方法來支配他們。

對于一張圖片，我們往往不會對每一個地方都相同地感興趣，總有一些特殊東西才是我們的目標。將目標區(qū)域和不想要的背景區(qū)域區(qū)分開我們就可以對這些數(shù)字下手。下面我們就說道說道二值化的那些事兒~

二值化

說起二值化，我們可以先來看看二值圖像

二值圖像（Binary Image）是指圖像上的每一個像素只有兩種可能的取值或灰度等級狀態(tài)的圖像。通常來講就是我們常常看見的“非黑即白”的圖像，也就是說，圖像像素的灰度值無論在什么數(shù)據(jù)類型中都只有最大值和最小值兩種取值。這種圖像色彩類型少，可以進行高度的壓縮，利于節(jié)省儲存空間。

相應(yīng)的，二值化就是把非二值圖像經(jīng)過計算變成二值圖像。

在openCV4中有threshold()和adaptiveThreshold()可以來實現(xiàn)圖像的二值化。

那么下面就先來介紹前一種啦

輸入輸出的圖像以及閾值和最大值大家都應(yīng)該和好理解，那么什么是二值化方法的標志參數(shù)呢？

下面的表中大致就是可能會用的的一些標志參數(shù)和它們的含義：

下圖是前五種方法做二值化之后的信號示意圖：

如同標志參數(shù)的作用介紹中說的，前五中標志參數(shù)都需要人為地設(shè)定一個閾值，之后才能進行二值化。人們進行二值化的目的往往是為了把目標物體和其他的東西分離開，形成圖像的分割，但是有的時候為了分別這兩者而設(shè)定的閾值往往不是那么簡單就可以分得出來的，或者說，在對原始圖像的灰度值分布不是那么了解的情況下是很難設(shè)定到自己想要的那種閾值的。

于是就有了下面的兩個標志參數(shù)可以用來獲取閾值：THRESH_OTSU（大津法）THRESH_TRIANGLE（三角形法）

問

那么什么是大津法呢

百度百科教我的：大津法也就是最大類間方差法是由日本學(xué)者大津(Nobuyuki Otsu)于1979年提出的，是一種自適合于雙峰情況的自動求取閾值的方法，簡稱OTSU。它是按圖像的灰度特性，將圖像分成背景和目標兩部分。背景和目標之間的類間方差越大，說明構(gòu)成圖像的兩部分的差別越大，當部分目標錯分為背景或部分背景錯分為目標都會導(dǎo)致兩部分差別變小。因此，使類間方差最大的分割意味著錯分概率最小。

這是某一張圖像的灰度直方圖，我們可以看到它其實很明顯地呈現(xiàn)出了適合利用大津法求閾值的雙峰情況（灰度大都集中在某兩個分離的區(qū)域之間），對某一假設(shè)的灰度值閾值將圖像的灰度值分成背景和目標兩部分，計算兩組灰度值之間的類間方差，得到的方差值大致如圖中的紅色點所示。于是理所當然的，方差最高點所對應(yīng)的灰度值正是我們能夠合理分開目標和背景的閾值。

但是由于這兩種方法往往是基于全局閾值，當圖像中有一部分過度曝光或者說有陰影遮擋時，用這樣的閾值選取方法就會顯得有點不太好。

比如說，當你晚上寫下一篇英語作文，想要拍照上傳給老師批改，而在上傳到某掃描王軟件時，往往就會發(fā)生這樣的事情：

于是我們就理所當然地想：有沒有可以讓這整張圖中的字母大多數(shù)都能看清的方法呢？

很高興，有的！

我們就要用到adaptiveThreshold()，它可以幫助我們得到局部自適應(yīng)的閾值。（當然，先把圖像分割，再用全局函數(shù)也不失為一種方法，不過相對比來說還是直接用adaptiveThreshold()來得更加方便快捷。

adaptive_mean是均值法自適應(yīng)計算blockSize×blockSize鄰域內(nèi)的閾值，在這之后就可以進行二值化了。

因為是局部的閾值，所以就可以更加明確地在每一個地方都有比較好的區(qū)分，可以把大部分范圍內(nèi)的內(nèi)容都更好地分割開來。

編輯：jq